人工神经网络在药物制剂研究中的应用

1、人工神经网络在药物制剂研究中的应用苏青许小红吴敏高秀蓉钟铃【摘要】人工神经网络模拟人脑生物神经网络体系处置惩罚信息的方法，是通过履历而不是通过方案好的步伐举行学习、练习，这些构成了人工神经网络具有形式识别、猜测、评价和优化决议等本领的基矗本文就神经网络比年来在药剂学的处方方案及优化、制备工艺及体内体外相干性评价等方面的应用做一综述。【关键词】人工神经网络；药物制剂Abstrat：Artifiialneuralnetrkssiulatingthepressfhuanbrainsnervesystestdealithinfratin,hihlearningandtrainingdatearding

2、iththeexperienetherthanthedesignedprgrae,isthebaseftheabilitythattheartifiialneuralnetrkuldbeusedfrpatterndistinguish,preditinandptiizatinet.Thispapertbrieflyrevieedtheappliatinfneuralnetrksinpharaeutialfields,suhasfrulatinptiizatin,preparatinparaetersptiizatinandinvitr-invivrrelatinevaluatin.Keyrds

3、：artifiialneuralnetrks;pharaeuti药物制剂研究是一个庞大的历程，包罗制剂处方，制剂制备工艺及制剂体内体外评价等，此中任何一个方面都属于多因素，多程度的庞大优化题目。比方处方方案历程中涉及差异质量差异用量的种种敷料配比及压力、温度、水分等，这些因素直接影响剂型的宁静性和有用性；制剂装备工艺涉及浩繁纷繁庞大的工艺参数优化，制剂体内体外评价更是受生物体系的极度庞大性影响。已往人们通常依靠某一方面的专家来负担相应的事情，免不了受很多履历化主不雅因素的影响，服从较低，而基于人工智能的神经网络那么很适于处置惩罚这类庞大的多变量非线性体系，并可通过网络的猜测本领实现多因素的同步

4、优化1-3。1神经网络理论人工神经网络(artifiialneuralnetrk)是一种由大量简朴处置惩罚单位以某种方法彼此毗连而成，对一连的输入做出状态相应的动态信息处置惩罚体系。它模拟人脑生物神经网络体系处置惩罚信息的方法，通过履历而不是通过方案好的步伐举行学习、练习。因此，人工神经网络具有人脑的某些紧张特性，如遐想影象、并行处置惩罚、自学习、自构造、自顺应和容错性等本领，这些构成了人工神经网络具有形式识别、猜测评价和优化决议等本领的基矗如图1所示，这是含有一个隐含层的神经网络表示图，此中空心圆圈表现神经元，神经元是神经网络neuralnetrk的根本单位，也称为节点。每层中可以包罗多个节

5、点，多层节点之间按必然的方法彼此毗连构成神经网络。神经网络的信息处置惩罚成效由神经元的输入和输出、网络的拓扑布局、毗连权的巨细突触接洽强度以及神经元的阈值所决定的。输入层节点的输入变量为自变量样本图1神经网络布局表示图Fig.1Delineatinfstruturefartifiialneuralnetrks参数，输出层节点的输出变量为应变量目的函数，当多个输入进着迷经元后，其加权求和值凌驾神经元的阈值后会形成输出，通过毗连权毗连，通报到下一层神经元，作为下一层神经元的输入值，如许按网络的拓扑布局依次通报。按照神经网络的盘算原理，每一神经元的输入值将更新变革，末了到达输出层。将输出值与样本的盼

6、望输出值举行比力，盘算出偏向，按学习纪律将偏向反向流传到前一层神经元，调解毗连权巨细，重新盘算，再输出。云云重复，直到练习集样本输出偏向和到达盼望值。至此得到结实的毗连权值，就到达对未知样本举行猜测和阐发。此中网络的信息重要储存在毗连权中。按照神经元之间的彼此结合干系和作用方法，神经网络模子可以分为很多种，此中反向流传神经网络(bak-prpagatinneuralnetrk)即BP神经网络是如今药剂范畴中应用最普及、盘算本领最强的人工神经网络模子之一。由于这种网络的权值和阈值调解接纳了反向流传的学习算法，办理了感知器所不克不及办理的题目，可以实现从输入到输出的恣意非线性映射。在确定了网络的布

7、局后，利用输入样本集对其举行练习，即对网络的权值和阈值举行学习和调解。颠末练习的BP网络，对付不是样本会合的输入样本也能给出符合的输出，利用这种方法可以利用该网络对未知样本举行猜测。2人工神经网络在药剂中的应用2.1药物制剂处方方案及优化制剂处方方案及优化是如今神经网络在药物制剂中应用最多6-11，也是比力有生长远景的标的目的之一,尤其是应用于缓控释制剂的处方优化和方案中。梁文权12等将人工神经网络应用于优化HP缓释片处方。以药物的溶解度、含药量、HP的量、HP的固有黏度、辅料的量、黏合剂的浓度、溶出仪的转速为神经网络的输入，药物的累计开释量作为输出，接纳BP网络对52个样本举行练习，创立BP

8、神经网络模子。然后与优化算法相结合实现对乙酰氨基酚、甲氧苄氨嘧啶、米诺地尔、氧氟沙星等模子药物在差异的含药量、差异转速条件下的处方举行优化。试验效果创造利用神经网络猜测药物的开释、练习处方和测试处方的实测值和猜测值能很好符合，得到的4个优化处方的开释值均和目的值很靠近。魏晓红13等拔取9种药物作为模子药物，按HP：糊精=5-0.21配比制成差异开释度的缓释片，测定各个处方的开释度，以每个药物的溶解度和处方中HP糊精的配比值作为网络的输入，以开释度丈量中每个给定取样时间点药物的累积开释量作为输出变量，得到含一个隐含层，迭代次数为25次的BP神经网络，通过优化，乐成订定了4个制剂处方，按此处方制备

9、的缓释片的实测开释值与神经网络猜测值符合。按照此法，可以从药物的溶解度方案切合必然开释度要求的缓释制剂处方。骆快燕14等用干压包衣技能制备卡托普利延时起效延缓片时，用人工神经网络猜测释药时滞。运用一个3层BP神经网络，以开释度作为输入层神经元，以对应时间点作为输出层神经元，得到一个含8个隐含层神经元的BP网络，此中变更函数为双曲正切函数，学习规矩为归一化累积Delta规矩，目的偏向为0.001，学习速率为0.01。神经网络猜测释药时滞效果为反面用SAS举行多元线性回归提供了可靠的数据，使猜测优化处方很快到达方案要求。吴涛等15在硫酸沙丁胺醇渗出泵控释片的处方挑选中接纳反响曲面法和人工神经网络法

10、优化法。选择包衣液中PEG1500含量与包衣膜的厚度为网络的输入因素，以各个处方18小时的积聚开释度对理论的相干系数和遍地方8小时的累积开释度为输出因素，在36个实行处方中随机抽取24个作为网络的练习数据，别的作为网络的测试数据检测网络猜测性能，创立了含一个隐含层的BP神经网络创立模子，末了按照猜测效果实现处方优化。比力效果证明神经网络要领较优。2.2药物制剂制备工艺方面的应用药物剂型的制备工艺历程中，存在着诸如温度、压力、粘度、流速等诸多影响因素，这些工艺参数与制剂质量指标之间每每存在很强的非线性和耦合性，很难用传统的要领创立有用的质量操纵模子。基于人工智能的人工神经网络具有辨识和迫近恣意庞

11、大非线性体系的本领，并且具有必然的容错本领，可以同步优化制备工艺中的多个工艺参数16。张宇飞等17网络某大型中药企业滴丸制剂消费线的100多个消费批次，每个批次包罗多个数据的样本作为神经网络练习集，方案了一个具有三个层的BP神经网络，输入层的5个节点别离为化料温度，化料时间，滴制温度，滴制速率及冷凝温度；输出层的结点为滴丸制品率，创立了某滴丸制剂历程工艺参数与滴丸制品率之间的神经网络映射模子。然后利用遗传算法对模子输入参数空间举行寻优，搜刮使滴丸制品率到达最优时所对应的工艺参数值。经消费试制，利用优化后的工艺参数值举行消费，能使该制剂历程的制品率进步约2.6个百分点，表白利用神经网络与遗传算法

12、对制剂历程举行建模与优化是公正的，该工程属于国度863高技能研究生长筹划工程。2.3药物制剂体内体外相干性评价的应用创立体表里相干性评价要领对药物制剂研究非常紧张。一个好的体表里相干性模子应能使猜测值与实测值彼此符合，从而用体外的释药数据猜测药物的体内历程，方案与制剂生物等效的制剂，大概订定药物制剂的质量尺度及引导临床用药。但是生物体系是极其庞大的，药物在体内的代谢历程也是相称庞大的，使得判断药物疗效与生物学、药物动力学及药物漫衍等各因素之间的干系非常困难18。人工神经网络是模拟生物神经体系对外界体系的认知历程，它给我们提供了一个很好的研究体表里相干性的要领19-20。李凌冰21等接纳人工神经

13、网络结合agner-Nelsn法，研究氯氮平非pH依靠型缓释片的体内体外相干性。以处方中HP与琥珀酸的用量为神经网络输入变量，思量到缓控释制剂的特点，以2h的血药浓度，12h的血药浓度一时间曲线下面积AUl2，以及血药浓度的峰值(ax数据为输出,创立了氯氮平非pH依靠型缓释制剂处方构成和血药浓度之间的干系模子。以此为底子，绘制输出三个输出变量的等高线图谱，别离在3个等高线图谱上标识表记标帜最正确变量所取值的范畴，将3个图中的最正确地区结合在一起从而求得生物利用度最正确的处方。李凌冰等22应用人工神经网络研究红霉素缓释微囊的体表里相干性。以明胶为囊材制备红霉素缓释胶囊，以体外开释度的数据作为网络输入，血药浓度数据作为网络输出，通过比力血药浓度实测值与猜测值的差异观察了网络的可靠性，效果令人满足。3结语人工神经网络技能作为一种新要领新技能固然已在药剂研究范畴获得了必然的希望，但仍旧有很多题目必要进一步的研究。比方神经网络固然可用于制剂制备工艺参数的优化，但可否利用神经网络及时监控工艺历程以操纵质量还必要进一步探究；人工神经网络通常必要大量的数据练习网络，但偶然数